De næste måneder skal løngennemsigtighed flyttes fra analyse til drift

Det danske lovforslag om implementering af EU’s løngennemsigtighedsdirektiv lægger op til at træde i kraft i januar 2027. Den endelige danske lovtekst er endnu ikke på plads, men for virksomheder bør de kommende måneder bruges på at få styr på stamdata, afprøve konkrete AI-anvendelser og omsætte ambitionerne til en plan, der kan fungere i hverdagen.

Løngennemsigtighed er et ord, der har fyldt meget i efterhånden et stykke tid. Og lige om hjørnet overgår det fra at være noget, vi diskuterer på teoretisk plan, til at skulle være en konkret del af virkeligheden. Derfor er et af de vigtige spørgsmål, om jeres organisation kan håndtere de konkrete spørgsmål, krav og sammenligninger, der følger med.

Når medarbejdere får mulighed for at spørge ind til deres løn i forhold til sammenlignelige medarbejdergrupper, skal I nemlig kunne levere et konsistent svar. Det kræver ikke nødvendigvis, at alle processer er perfekte fra dag ét. Men det kræver, at I ved, hvilke oplysninger svaret bygger på, hvem der har ansvaret, og hvordan eventuelle usikkerheder håndteres.

Derfor bør arbejdet nu flyttes fra overordnede analyser til praktisk eksekvering. I denne artikel kan du læse om tre områder, som bør stå centralt: anvendelige stamdata, afgrænsede AI-anvendelser og en konkret plan frem mod årsskiftet.

Løngennemsigtighed bliver ofte beskrevet som et spørgsmål om rapportering. I praksis bliver det mindst lige så meget et spørgsmål om datakvalitet.

Hvis medarbejdernes job, niveau, arbejdstid, anciennitet, organisatoriske placering og lønelementer er registreret forskelligt, bliver sammenligningerne usikre. Og hvis HR, løn, økonomi og ledere anvender forskellige definitioner, kan to udtræk fra jeres systemer give forskellige svar.

Problemet er sjældent, at virksomheden mangler data. Oftere er udfordringen, at der findes for mange lokale datasæt, manuelle fortolkninger og uklare ejerforhold.

Jobtitler kan fx være oprettet forskelligt på tværs af organisationen. Den samme titel kan dække over forskellige roller, mens forskellige titler kan dække over arbejde med sammenligneligt indhold. Lønelementer kan også være defineret forskelligt, ligesom arbejdstid, anciennitet og tillæg ikke altid håndteres ens i de systemer, der skal levere grundlaget for analysen.

Det gør stamdata til mere end en administrativ disciplin. Data bliver en del af virksomhedens forklaring på, hvordan løn fastsættes og udvikler sig.

Men I behøver ikke rydde op i alle data på én gang. Det afgørende er at prioritere de oplysninger, der har størst betydning for sammenligninger, medarbejderhenvendelser og rapportering. Første skridt bør være at afklare, hvilke felter der er kritiske, hvad de betyder, hvilket system der er master, og hvem der ejer kvaliteten.

Det er heller ikke nok at tilføje flere felter. Hvis I på tværs af organisationen ikke er enige om, hvad et jobniveau, en jobfunktion eller et lønelement betyder, skaber flere registreringer ikke automatisk bedre data. Fælles definitioner er vigtigere end datamængden i sig selv.

En praktisk tilgang er derfor at identificere de mest kritiske fejl, rette dem først og samtidig etablere en enkel proces for fremtidige ændringer. Målet er ikke et perfekt datasæt, men et datagrundlag, som virksomheden kan forklare, kontrollere og løbende forbedre.

Arbejdet med løngennemsigtighed indeholder mange opgaver, der er manuelle, gentagelige og datatunge. Det gør området relevant for AI. Men det gør det ikke risikofrit.

AI kan hjælpe jer med at analysere, gruppere og identificere mønstre. Men teknologien kan ikke alene beslutte, hvad der er et sammenligneligt job, eller forklare, hvorfor en konkret lønforskel er rimelig. En god tilgang er derfor at begynde med få, afgrænsede anvendelser, hvor gevinsten er tydelig, og hvor resultaterne kan kontrolleres.

Her er tre oplagte steder at anvende AI:

1. Kvalitetskontrol af stamdata

   AI kan identificere manglende felter, dubletter, inkonsistente jobtitler, ulogiske kombinationer af job og niveau samt forskelle mellem HR-, løn- og økonomisystemer. AI kan dermed hjælpe med at finde de steder, hvor en manuel gennemgang bør begynde. Den bør dog ikke automatisk ændre data uden en tydelig godkendelsesproces.

2. Assisteret mapping af job

   På baggrund af jobtitler og jobbeskrivelser kan en model foreslå sammenhænge mellem job, jobfamilier og niveauer. Det kan være en effektiv måde at komme gennem en stor mængde materiale på, men forslagene skal valideres af mennesker med indsigt i organisationen og de konkrete roller. En model kan genkende sproglige mønstre, men den forstår ikke nødvendigvis den faktiske forskel på ansvar, kompleksitet og arbejdsvilkår.

3. En intern vidensassistent

   AI kan understøtte HR, ledere og rekrutteringsansvarlige med at finde svar i godkendte retningslinjer. Det kan fx handle om, hvad der må oplyses til kandidater, hvordan medarbejderhenvendelser håndteres, og hvornår en sag skal eskaleres til HR eller Legal. Her ligger værdien ikke kun i hurtigere svar. Den ligger også i at skabe mere ensartet praksis på tværs af organisationen.

Derfor er den generelle anbefaling, at I anvender AI-teknologi til analyser, assistance og kvalitetskontrol. Men teknologien bør ikke få det endelige ansvar for klassificeringer, forklaringer eller beslutninger, der påvirker medarbejderes løn. Derfor skal I på forhånd beslutte, hvilke datakilder løsningen må tilgå, hvem der validerer resultaterne, og hvordan anvendelsen dokumenteres.

Teknologien fjerner heller ikke problemer i datagrundlaget. Hvis jobtitler bruges inkonsistent, eller historiske data afspejler en uensartet praksis, kan AI gøre uklarheden hurtigere og mere omfattende. AI skal derfor kobles til klare definitioner og menneskelig kontrol.

De kommende måneder frem mod årsskiftet bør I bruge på at skabe synlige resultater. En realistisk plan kan opdeles i fire faser.

1. Skab overblik

   Det indebærer at udpege en ansvarlig sponsor, etablere et tværgående team og kortlægge de vigtigste datakilder og processer. En god fremgangsmåde er, at I identificerer de største datamæssige risici og derefter udvælger én eller to AI-anvendelser, der er relevante at afprøve.

2. Prioriter indsatsen

   Fastlæg centrale definitioner, afklar ejerforhold og ret de stamdatafejl, der har størst betydning for analyser og medarbejderhenvendelser. Det er også her, I med fordel kan dokumentere, hvilke lønelementer der indgår i sammenligningsgrundlaget.

3. Test

   Gennemfør en prøveanalyse af udvalgte medarbejdergrupper, test realistiske medarbejderhenvendelser og afprøv eventuelle AI-løsninger på et kontrolleret datasæt, hvor resultaterne valideres manuelt. Testen bør ikke kun vise, om jeres systemer kan levere et resultat, men også om HR og ledere kan forklare resultatet ensartet.

4. Gør arbejdet til drift

   Roller og ansvar skal godkendes, relevante medarbejdere skal trænes, og der skal etableres en enkel proces for løbende datakontrol, opdateringer og håndtering af henvendelser. Det bør samtidig besluttes, hvordan I dokumenterer brugen af AI, og hvordan løsningen udvikles efter årsskiftet.

Der er fortsat juridiske detaljer, som kan ændre sig, før den danske lov er endeligt vedtaget. Det ændrer dog ikke ved, at kvaliteten af stamdata, fælles definitioner, tydeligt ejerskab og praktiske processer er nødvendige uanset den endelige formulering.

Løngennemsigtighed bør ikke behandles som ét stort projekt, der først kan begynde, når alle beslutninger er truffet. Det bør opdeles i konkrete opgaver, som kan løses, testes og forbedres løbende.

Jeres næste ledelsesdialog bør derfor tage udgangspunkt i fire spørgsmål:

• Ved vi, hvilke stamdata der er afgørende for at kunne forklare lønforskelle?

• Har vi placeret ansvaret for datakvalitet og medarbejderhenvendelser?

• Har vi valgt konkrete AI-anvendelser, hvor gevinsten er tydelig, og risikoen kan kontrolleres?

• Har vi en plan med ansvarlige, leverancer og testpunkter frem mod årsskiftet?

Hvis svaret på ét eller flere spørgsmål er nej, bør næste skridt ikke være endnu en overordnet analyse. Det bør være at vælge den konkrete opgave, der skal løses først.